<!-- hide_input -->
library(readxl)
library(ggplot2)
library(plotly)
library(tidyr)
library(patchwork)
# Load the data
data <- read_excel("CasosCOVID.xlsx", sheet=2)
data$FECHA <- as.Date(data$FECHA)A continuacion se presentan los datos recopilados desde abril 2020 hasta mayo 2022 sobre los casos de COVID-19 en Costa Rica
Se presenta la cantidad de casos positivos de COVID-19 en Costa Rica desde abril 2020 hasta mayo 2022.
En este caso es posible observar un comportamiento con tendencia lineal en la cantidad de casos positivos de COVID-19 en Costa Rica, aunque durante los años en los que se recopilaron los datos podemos notar algunas gradas es posible afirmar que el comportamiento fue mayormente lineal.
<!-- hide_input -->
casos_positivos <- ggplot(data, aes(x=FECHA, y=positivos)) + geom_line() + theme_minimal() + theme_bw()
ggplotly(casos_positivos)Se presenta la cantidad de casos activos de COVID-19 en Costa Rica desde abril 2020 hasta mayo 2022. Podemos notar un comportamiento común de jorobas en la cantidad de casos activos, este comportamiento se podria decir que fue por las medidas de restricción sanitaria que se tomaron en el país.
<!-- hide_input -->
casos_activos <- ggplot(data, aes(x=FECHA, y=activos)) + geom_line() + theme_minimal() + theme_bw()
ggplotly(casos_activos)La cantidad de casos hospitalizados no parecen demasiados a simple vista de los ejes, sin embargo es nesesario tener en cuenta la cantidad de espacios con los que cuenta cada hospital para todos sus pacientes, por lo que la cantidad de casos hospitalizados no es un dato menor. Durante la extension de los datos podemos notar el parecido con los casos activos, en especial podemos notar la acentuacion de las jorobas de julio 2021, donde se presentaron los picos mas altos de casos hospitalizados.
<!-- hide_input -->
casos_hospitalizados <- ggplot(data, aes(x=FECHA, y=hospital)) + geom_line() + theme_minimal() + theme_bw()
ggplotly(casos_hospitalizados)
<!-- hide_input -->
casos_fallecidos <- pivot_longer(data, cols = c(muj_fall, hom_fall), names_to = "Genero", values_to="Fallecidos")
fallecidos_genero <- ggplot(casos_fallecidos, aes(x=FECHA, y=Fallecidos)) + geom_line(aes(color=Genero))+theme_minimal() + theme_bw()
ggplotly(fallecidos_genero)<!-- hide_input -->
casos_recuperados <- pivot_longer(data, cols=c(MUJ_RECUP,HOM_RECUP), names_to="Genero", values_to="Recuperados")
recuperados_genero <- ggplot(casos_recuperados, aes(x=FECHA, y=Recuperados/100)) + geom_line(aes(color=Genero))+theme_minimal() + theme_bw()
ggplotly(recuperados_genero)Se visualiza la evolución de los casos de COVID-19 en Costa Rica referentes a las categorías de casos positivos, fallecidos, hospitalizados, hospitalizados en el área de UCI (Unidad de Cuidados Intensivos) y casos recuperados, entre abril 2020 y mayo 2022.
Se puede observar que en mucha mayor medida, hay casos positivos y recuperados, ya que no todas las personas que fueron contagiadas en algún momento murieron, fueron hospitalizadas o llegaron a la UCI. Estas últimas tres categorías representan una minoría en comparación a la gran cantidad de casos positivos y posteriormente, recuperados. Es fácil de visualizar en esta gráfica de áreas apiladas, que entra en la categoría de gráfica multidimensional.
<!-- hide_input -->
data_long <- pivot_longer(data, cols = c("positivos", "fallecidos", "hospital", "UCI", "RECUPERADOS"),names_to = "Variable", values_to = "Valor")
evolucion_casos <- ggplot(data_long, aes(x = FECHA, y = Valor, fill = Variable)) + geom_area() + labs(title = "Evolución de Casos COVID-19", x = "Fecha", y = "Cantidad", fill = "Variable") + theme_minimal()
ggplotly(evolucion_casos)La población de personas menores de edad se vio afectada en mucha menor medida que la población de adultos, dato que es lógico ya que los adultos deben salir más de casa y los menores son una población altamente resguardada y cuidada.
Se puede observar un menor volumen de los datos en los menores de edad en la siguiente gráfica de facetas.
<!-- hide_input -->
names(data)[names(data) == "positivos"] <- "Positivos"
names(data)[names(data) == "adul_posi"] <- "Adultos"
names(data)[names(data) == "menor_posi"] <- "Menores"
data_long <- pivot_longer(data, cols = c("Positivos", "Adultos", "Menores"), names_to = "Grupo de Casos", values_to = "Cantidad")
facetas_casos <- ggplot(data_long, aes(x = FECHA, y = Cantidad, color = `Grupo de Casos`)) + geom_line() + labs(title = "Evolución de Casos COVID-19", x = "Fecha", y = "Cantidad", color = "Grupo de Casos") + facet_wrap(~ `Grupo de Casos`, scales = "free_y") + theme_minimal()
ggplotly(facetas_casos)Para el análisis de los datos es necesario hacer comparaciones de todas sus categorías. Aquí se muestran algunas, como los datos para los casos positivos, casos activos y casos hospitalizados entre abril de 2020 y mayo de 2022.
Se puede visualizar una correlación entre los casos activos y los casos hospitalizados, ya que estos calzan con los picos de personas contagiadas durante la pandemia. Por otro lado, los casos positivos siempre son crecientes.
Puede visualizarse de forma completa en la siguiente imagen compuesta, en donde el primero corresponde a casos positivos, el segundo a casos activos y el tercero a casos hospitalizados.
<!-- hide_input -->
casos_positivos <- ggplot(data, aes(x=FECHA, y=positivos)) + geom_line() + theme_minimal() + theme_bw()
casos_activos <- ggplot(data, aes(x=FECHA, y=activos)) + geom_line() + theme_minimal() + theme_bw()
casos_hospitalizados <- ggplot(data, aes(x=FECHA, y=hospital)) + geom_line() + theme_minimal() + theme_bw()
grafico_compuesto <- subplot(casos_positivos, casos_activos, casos_hospitalizados, nrows = 3)
ggplotly(grafico_compuesto)